Towards Reliable Robotics: from Navigation to Coordination

Les robots autonomes et les systèmes multi-robots ont connu un intérêt sans cesse croissant par les scientifiques et l'industrie. Plusieurs applications telles que les robots assistants, les robots gestionnaires de stock ainsi que les véhicules autonomes nécessitent des algorithmes de navigation et de coordination fiables pour permettre leur déploiement dans des environnements dynamiques et relativement méconnus. Ainsi, la capacité d'adaptation est une caractéristique fondamentale permettant une utilisation accrue et une intégration plus facile des systèmes multi-robots. Afin de posséder cette agilité d'adaptation, les robots devraient opter vers un comportement assez robuste avec une aptitude à réajuster leurs actions selon la cinématique de l'environnement. Ce mémoire de thèse, s'interesse aux problèmes de fiabilité lors du déploiement des systèmes multi-robots dans des environnements dynamiques et inconnus. Il s'articule autour de deux contributions majeures, à savoir : Un mécanisme de planification et de réajustement de mouvement quasi optimal qui roule à une fréquence allant jusqu'à 200 Hz. Ainsi qu'un framework de vérification de la robustesse des comportements coopératifs des systèmes multi-robots. La première contribution a été inspirée de l'habilité de quelques animaux à naviguer en se fiant au champ magnétique terrestre. En effet, nous avons constaté que le champ magnétique n'admet pas de maxima locaux, ce qui permet aux animaux de suivre son gradient. Par conséquent, un robot est capable de parcourir tout type d'environnements en faisant propager un champ magnétique virtuel et en suivant son gradient. Toutefois, la résolution des équations de Maxwell, qui décrivent la physique des champs magnétiques, est complexe et nécessitent des simulations numériques couteuses en termes de ressources et temps de calcul. Pour pallier cette difficulté, nous proposons un approximateur de la solution des équations de Maxwell basé sur un réseau de neurones profond entrainé exclusivement sur des solutions provenant de simulations numériques avancées. L'environnement est représenté par une carte de conductivité. Nous affectons une conductivité maximale à la destination du robot et une conductivité nulle aux obstacles. Le calcul de la distribution du champ magnétique virtuel permettra au robot de suivre le gradient qui le mènera vers sa destination selon un chemin quasi optimal.

Abstract

Autonomous robots and multi-robot systems are of growing interest for industry and academia. Many real-world applications such as assistive robotics, inventory management, and autonomous driving require reliable navigation and coordination algorithms that can be deployed in a partially unknown, dynamic environment. The ability to adapt is a key feature for the widespread use and societal integration of multi-robot systems. To achieve this adaptation ability, robots must implement inherently robust behaviors and must be sufficiently fast to re-plan their actions when their environment changes. This dissertation deals with the problem of reliably deploying a group of robots in a dynamic, unknown environment, and provides two key contributions: a mechanism for robots to plan and re-plan their motion near optimally up to 200 times per second; and a framework to verify the robustness of multi-robot cooperative behaviors. For the first contribution, observing how some animals are able to navigate using the Earth's magnetic field, we realize that this is possible because the magnetic field has no local maxima, and animals can follow its gradient. This means that a robot can navigate any kind of environment by propagating a known virtual magnetic field and following its gradient. However, solving Maxwell's equations–which govern the physics of magnetic fields– is complex and demands computationally costly numerical simulations. To overcome this problem, we propose a deep neural network as an approximator for Maxwell's equations, exclusively trained on high-quality numerical simulations. We model the environment as a conductivity map with its maximum in a goal location and zero for obstacles. After computing the virtual field propagation, a robot can follow the virtual magnetic gradient to optimally reach the goal.